Het duurt naar verwachting nog zeker een jaar tot anderhalf jaar voordat er een goed werkend vaccin tegen het coronavirus is ontwikkeld. Zoveel tijd is nodig, omdat er heel veel moet worden getest en data moeten worden verzameld en geanalyseerd. Het verzamelen en analyseren van data, dat is precies waar mijn bedrijf Datamole zich mee bezighoudt. Al richten we ons niet op vaccinontwikkeling, maar voornamelijk op de food- en agrimarkt: het stelt me wel in staat goed te doorgronden wat die zoektocht zo complex maakt.
De foodsector is sterk in beweging. Consumenten kiezen steeds vaker voor duurzame producten, gebaseerd op plantaardige in plaats van dierlijke eiwitten. Voedingsmiddelenbedrijven doen veel onderzoek om die transitie van dierlijk naar plantaardig mogelijk te maken. Dat proces vergt de nodige iteratieslagen en dus tijd. Een recente ontwikkeling, waarin ik veel investeer, is een zogeheten high throughput screening-systeem voor vloeibare voedingsmiddelen. Daarmee kan een laboratorium veel experimenten tegelijk te doen: allerlei belangrijke zaken worden gemeten, zoals reologische en chemische eigenschappen en kleur. De gegenereerde data worden geanalyseerd met algoritmes ontwikkeld door Datamole. Ook de farmaceutische industrie gebruikt high throughput screening bij het zoeken naar nieuwe medicijnen. Met laboratoriumrobots kan – geautomatiseerd – snel veel worden geprobeerd, in de hoop dat er af en toe een resultaat met perspectief tussen zit. Dat vergt tijdrovende analyses van de grote hoeveelheden gegenereerde data, om zo de meest kansrijke oplossingsrichtingen in kaart te brengen. Vervolgexperimenten kunnen dan gerichter gedaan worden. Deze cyclus van veel en geautomatiseerd experimenteren, analyseren en vervolgens gerichter nieuwe experimenten doen, versnelt het onderzoekstraject aanzienlijk. Toch vraagt het nog behoorlijk wat tijd.
Nieuwe vaccins ontwikkelen kan ook via computersimulaties. Hiermee beschrijf je precies hoe iets werkt, zoals de complexe interacties tussen eiwitten (een virus is een eiwitstructuur met genetisch materiaal) en bijvoorbeeld geladen deeltjes (ionen). Voor voedingsmiddelen hebben we hier ervaring mee bij Datamole. Deze modellen worden echter vaak heel groot en complex, omdat het beschrijven van alle belangrijke interacties tussen eiwitten ingewikkeld is. Het aantal mogelijke interacties en chemische condities wordt al snel te groot voor de rekenkracht van de binaire computer, zelfs met de snelste supercomputers. Dus moeten onderzoekers keuzes maken wat ze wel en niet in de modellen meenemen. De komst van quantumcomputers zal de ontwikkeling van medicijnen enorm versnellen. Die zijn bijna oneindig veel sneller: alle interactiemogelijkheden kunnen tegelijkertijd berekend worden.
Lees Link magazine digitaal of vraag een proefexemplaar aan
Met de aanwezige data-expertise bij Datamole zou ik vanzelfsprekend graag steun verlenen aan die langdurige queeste naar de oplossing van het grote coronavraagstuk, maar wij zijn nu eenmaal actief in andere markten. Duidelijk is wel dat het oplossen van de coronapandemie veel tijd kost. Een goede, wereldwijde samenwerking zou zaken zeker enorm kunnen versnellen! Ook voor wetenschappers is samenwerken niet altijd makkelijk… Wie betaalt en wie krijgt de credits? Maar het gebeurt wel steeds meer en beter.
Emo van Halsema is chief inspiration officer van Datamole. Datamole analyseert met machinelearning en artificial intelligence onder meer grote hoeveelheden data die worden gegenereerd door sensoren in machines en apparaten zoals melkrobots, spuitinstallaties, laboratoriumapparatuur en elektronenmicroscopen.
